Блог про аналитику

В прошлом посте я показал как отток клиентов тихо убивает рост вашего бизнеса. Сегодня мы будем говорить о том, как сделать первые шаги к прогнозированию того, как будут размываться ваша когорта. Начнем с того, что возьмем одну когорту и построим график ее размытия. Сырые данные оттока одной когорты клиентов могут выглядеть вот так: Cohort as a table.  У нас есть две колонки: колонка t - это шкала времени (это м.б. 1 неделя, 1 месяц или даже 1 год); колонка S - это колонка описывает, какой % клиентов продолжил пользоваться вашим продуктом в соответствующий период времени t . В нашем примере период t = 1 месяц.  Например, в каком-то из месяцев мы привлекли X клиентов. Для нас это точка отсчета - наш период "0". В нем все 100% клиентов когорты с нами.  В следующий период (месяц) перешло 63% (=0.63) клиентов. Это значит, что 37% клиентов, которые были в предыдущем периоде, не продолжили пользоваться нашим продуктом. Они ушли в отток. Другое ...

Я давно не возвращался к теме оттока клиентов. Но сейчас, когда большинство стран находятся в состоянии lockdown, отток клиентов в той или иной степени прочувствовали все типы бизнесов. Так вот, сегодня мне попалась на глаза статья ex-CPO Netflix. В начале статьи он упомянул, что: на раннем этапе ежемесячный отток клиентов в Netflix был на уровне 10%; уже в 2005 Netflix ежемесячный cancel rate был на уровне 4.5%; в наши дни (2019?) ежемесячный отток клиентов был немного меньше 2%. Чтобы говорить (или оценивать) отток клиентов, очевидно, его нужно как-то визуализировать. Когорты это самый простой и доступный способ изучать отток клиентов. Итак, я быстро построил когортную модель с такими вводными: каждый месяц компания привлекает 1,000 новых клиентов; в каждый последующий месяц после месяца привлечения компания теряет Х% своих клиентов (churn rate = X%); горизонт планирования 3 года. В идеальных условиях клиенты приходят навсегда (churn rate = 0%). Е...

Итак, я решил продолжить транслировать решения задач показанные Алексеем Куличевским на языке  Python . В этот раз мы будем заниматься трансляцией на R задач по  агрегации и построению когорт (ссылка на оригинал поста с кодом Python) . Датасет будем использовать тот же, что и в первом посте . Original dataset. Начнем с простых агрегаций. Давайте ответим на вопрос: сколько продаж и покупок было сделано в магазине? Simple aggregations and distribution charts. Итак, первый кусок кода делает простые агрегации. Я решил сразу добавить больше агрегаций (mean, median, max) т.к. в e-commerce крайне важно понимать насколько наша аудитория чувствительна к цене . Средний чек (AOV) у нас $459. Неплохо! Но в тоже время медиана (MedOV) = $152, а это значит, что 50% всех чеков намного ниже среднего. С другой стороны, это указывает на то, что должно быть также некоторое количество чеков, которые сильно выше медианы. И такие чеки есть - максимальный чек (MaxOV) = $236...

Сегодняшним постом я начинаю серию заметок о продуктовой аналитике. Сегодня мы поговорим о том, что делать, когда общая картина ваших когорт выглядит не очень, но не совсем понятно, что с этим делать. Итак, вы продуктовая компания. У вас, как и в любом бизнесе, есть этап привлечения клиентов. Обычно этому этапу компания посвящает больше всего времени. Так происходит потому, что на этом этапе компания явно и активно тратит деньги в маркетинг, а потому ТОП-менеджмент хочет четко понимать, есть ли там ожидаемый прирост дохода и положительный ROI. Но, после привлечения клиентов работа маркетолога-продуктолога не заканчивается, а только начинается. Почему? Ниже перед вами чарт с когортами клиентов . Buyers cohorts. Мы видим, что привлеченные когорты вяло переходят в следующий период. Так, в среднем, с нулевого периода в первый переходит только 34% всех привлеченных клиентов. И хотя некоторые клиенты могут активироваться просто позже (например сделать свою повторную покупку, ска...

Я давно хотел написать этот пост про retention curve  (кривую удержания). Дело в том, что современная клиентская аналитика развивается очень быстро. SaaS компаний с инструментами аналитики достаточно много. Но не каждая смогла сделать значимый вклад в новые подходы к аналитике. Тем не менее, для себя я могу выделить следующие компании, которые сильно повлияли на мое видение аналитики и на мой подход к онлайн-маркетингу через аналитику. Итак, в 2012 году я равнялся на Kissmetrics.com ; в 2013 это была уже RJMetrics.com ; в 2014 году это была  Custora.com ; в 2015 году это была  Optimove.com И вот в 2016 году я познакомился с think-tank компанией  Amplitude.com . Мое глубокое убеждение в том, что компания предоставляющая аналитический продукт не удержит свои позиции, если будет просто создавать еще один продукт (даже если он будет немного быстрее и удобнее). Аналитическая компания должна искать новые способы выжать больше инсайтов из данных, отобразить су...

В прошлом посте мы обсуждали как проанализировать поведение когорт во времени . Сегодня мы сфокусируемся на одном безумно важном моменте - "локальный максимум". Начну с того, что когорты, в целом, это отличный способ узнать, кого вы привлекли и что можно ожидать от таких клиентов. И использовать их безусловно можно и нужно. Однако результат первых нескольких периодов когорты еще не является на 100% определяющим будущие свойства такой когорты. Поэтому, например, прогноз LTV когорты на основе первых нескольких периодов вполне м.б. ложным. Удивлены? Давайте смотреть. У нас есть 4 когорты Male. Посмотрим как они себя ведут за короткий промежуток времени. Вот динамика LTV когорт за первые 7 дней . Male Cohorts. LTV (7d). Согласно чарту выше самая перспективная когорта это когорта #2. Это локальный максимум за первые 7 дней. Самая низкодоходная когорта #4. Хотя разница между когортами #3 и #4 как и между когортами #1 и #2 незначительна. Т.о. за первые 7 дней опре...

Итак, в прошлый раз мы рассмотрели простой пример. Мы построили когорты, а затем обогатили их соцдемом (добавили характеристику Female/Male). Это позволило нам количественно оценить их базовое различие. Мы выяснили, что аудитория Male подходит нам больше: она быстрее активируется, но что важнее, она лучше вовлечена в последующих периодах. Сегодня давайте рассмотрим, как соединять когорты с поведенческими характеристиками. Хотя Male нам подходит лучше, но в разные периоды мы привлекаем male клиентов из разных каналов и очевидно ведут себя такие клиенты по-разному. Давайте изучим как отличается поведение разных когорт внутри сегмента Male. Начнем с дохода. Посмотрим как когорты генерируют аккумулятивный доход. Для этого мы возьмём все те же 4 когорты и посмотрим понедельно как каждая из них наращивают свой доход. Male Cohorts. Accumulative Revenue. Сам по себе доход когорты уже полезен тем, что позволяет понять, а окупается ли она вообще. (Для простоты изложения мы...